AI创想

标题: 【LangGraph】langgraph.prebuilt.InjectedStore 类：在工具函数中注入 LangGraph 的存储对象（Store） [打印本页]

---

作者: AI小编    时间: 2025-12-24 09:46
标题: 【LangGraph】langgraph.prebuilt.InjectedStore 类：在工具函数中注入 LangGraph 的存储对象（Store）
作者：彬彬侠
详细介绍 langgraph.prebuilt.InjectedStore 类

langgraph.prebuilt.InjectedStore 是 LangGraph 库中 langgraph.prebuilt 模块的一个类型注解类，继承自 InjectedToolArg，用于在工具函数中注入 LangGraph 的存储对象（Store）。LangGraph 是 LangChain 生态的扩展，专注于构建复杂、有状态、多步骤的交互式应用，通过状态图管理节点和边，支持动态路由、循环和状态管理。InjectedStore 允许工具访问持久化存储（如对话历史、用户数据），而不暴露给语言模型（LLM），确保安全性和开发效率。以下是对其详细、条理清晰的介绍，基于提供的参考信息和 LangGraph 文档。

---

1. 定义与功能

1.1 类定义

1. from langgraph.prebuilt import InjectedStore
3. classInjectedStore(InjectedToolArg):"""
4.     用于工具参数的注解，表示该参数将注入 LangGraph 的存储对象。
6.     参数：
7.         field: 可选，指定存储中要注入的特定键。如果为 None，则注入整个存储对象。
9.     示例：
10.         @tool
11.         def store_tool(x: int, my_store: Annotated[Any, InjectedStore()]) -> str:
12.             '''处理存储的工具。'''
13.             stored_value = my_store.get(("values",), "foo").value["bar"]
14.             return stored_value + x
15.     """

复制代码

继承：继承自 InjectedToolArg，表明它是工具参数注入机制的一部分。作用：标记工具函数中的参数，指示 LangGraph 在运行时注入存储对象。

• 关键特性：
  
  隐藏参数：使用 InjectedStore 注解的参数不出现在工具的模式（schema）中，LLM 无法生成该参数的值。自动注入：当工具通过 ToolNode 执行时，LangGraph 自动将存储对象（或指定字段）注入到参数中。存储支持：需要图编译时提供存储对象（如 InMemoryStore），自动传播到工具。
  
  
  

1.2 核心功能

存储注入：将 LangGraph 的存储对象（或其特定字段）传递给工具，供工具访问和操作持久化数据。模式隔离：隐藏存储参数，防止 LLM 生成或修改存储对象，确保安全和正确性。与 ToolNode 集成：与 ToolNode 配合，自动处理工具调用和存储注入。

1.3 使用场景

持久化数据访问：工具需要从存储中获取对话历史、用户信息或中间结果。多轮对话：聊天机器人中，工具需要引用存储中的上下文或历史消息。复杂工作流：工具需要访问共享存储以协调多步骤任务。安全敏感场景：存储包含敏感数据（如用户 ID、会话令牌），不应暴露给 LLM。

---

2. 用法

InjectedStore 与 typing_extensions.Annotated 结合使用，注解工具函数的参数。基本步骤如下：

定义存储：创建存储对象（如 InMemoryStore）并存储数据。定义工具：使用 @tool 装饰器，添加 InjectedStore 注解。集成状态图：使用 ToolNode 处理工具调用，LangGraph 自动注入存储。运行工作流：通过状态图的 invoke 或 stream 方法执行，传入存储对象。

---

3. 实现原理

3.1 存储注入机制

注解识别：LangGraph 的运行时（通过 ToolNode）识别工具函数中带有 InjectedStore 注解的参数。参数注入：在工具调用时，运行时将存储注入到工具的参数中，绕过 LLM 的生成过程。模式隐藏：InjectedStore 参数从工具的模式中移除，LLM 只看到其他暴露的参数（如 x: int）。

3.2 与 ToolNode 的协作

ToolNode 负责解析 AIMessage 中的工具调用（tool_calls）。当工具包含 InjectedStore 参数，ToolNode 在调用工具前自动注入存储对象。图编译时必须提供存储对象（如 store=InMemoryStore()），以便传播到工具。

3.3 存储格式

存储类型：通常是 BaseStore 的子类，如 InMemoryStore（内存存储）或 PostgresStore（数据库存储）。数据结构：支持层次化命名空间（如 ("values", "foo")），键值对存储数据（如 {"bar": 2}）。操作接口：通过 get、put 等方法访问和修改存储。

---

4. 使用示例

4.1 基本示例

以下是一个独立工具节点的示例，展示 InjectedStore 的使用。

1. from typing import Any
2. from typing_extensions import Annotated
3. from langchain_core.messages import AIMessage
4. from langchain_core.tools import tool
5. from langgraph.store.memory import InMemoryStore
6. from langgraph.prebuilt import InjectedStore, ToolNode
8. # 创建存储并添加数据
9. store = InMemoryStore()
10. store.put(("values",),"foo",{"bar":2})# 定义工具@tooldefstore_tool(x:int, my_store: Annotated[Any, InjectedStore()])->str:"""处理存储的工具。"""
11.     stored_value = my_store.get(("values",),"foo").value["bar"]returnstr(stored_value + x)# 创建 ToolNode
12. node = ToolNode([store_tool])# 定义工具调用和状态
13. tool_call ={"name":"store_tool","args":{"x":1},"id":"1","type":"tool_call"}
14. state ={"messages":[AIMessage("", tool_calls=[tool_call])],}# 执行工具节点，传入存储
15. result = node.invoke(state, store=store)print(result["messages"][0].content)# 输出: 3

复制代码

解析

存储：InMemoryStore 存储键值对 ("values", "foo") = {"bar": 2}。工具：store_tool 使用 InjectedStore 注入存储，访问 bar 值并加 x。ToolNode：处理工具调用，注入存储，生成 ToolMessage（内容为 3）。

4.2 集成到状态图

以下是将工具集成到完整状态图的示例。

1. from langgraph.graph import StateGraph, END
2. from langchain_openai import ChatOpenAI
3. from langchain_core.prompts import ChatPromptTemplate
4. from langchain_core.messages import HumanMessage
6. # 定义状态classState(TypedDict):
7.     messages: List[BaseMessage]# 定义 Agent 节点defagent(state: State)-> State:
8.     prompt = ChatPromptTemplate.from_template("根据输入调用工具：{input}")
9.     llm = ChatOpenAI(model="gpt-3.5-turbo").bind_tools([store_tool])
10.     message = llm.invoke(state["messages"][-1].content)
11.     state["messages"].append(message)return state
13. # 构建状态图
14. workflow = StateGraph(State)
15. workflow.add_node("agent", agent)
16. workflow.add_node("tools", node)
17. workflow.add_edge("tools","agent")
18. workflow.add_conditional_edges("agent",lambda state:"tools"if state["messages"][-1].tool_calls else END)
19. workflow.set_entry_point("agent")# 编译并运行
20. graph = workflow.compile()
21. initial_state ={"messages":[HumanMessage(content="处理数字 1")]}
22. result = graph.invoke(initial_state, store=store)print(result["messages"][-1].content)# 输出: 3

复制代码

解析

状态图：包含 agent（LLM）和 tools（ToolNode）节点。流程：用户输入触发 LLM 生成工具调用，ToolNode 执行并注入存储。结果：工具从存储中获取值，计算并返回结果。

---

5. 使用场景

持久化数据访问：工具需要从存储中获取长期数据，如用户偏好或历史记录。多轮对话：聊天机器人中，工具访问存储中的对话上下文，提供个性化回答。复杂工作流：工具使用存储协调多步骤任务，如共享中间结果。安全敏感场景：存储包含敏感信息（如 API 密钥），不应暴露给 LLM。

示例场景：

聊天机器人：工具从存储中获取用户历史问题，生成上下文相关回答。自动化工作流：工具根据存储中的数据更新任务状态。

---

6. 注意事项

存储配置：

图编译时必须提供存储对象（如 store=InMemoryStore()）。确保存储包含工具期望的键，否则可能引发错误。

工具模式：

InjectedStore 参数不出现在工具模式中，LLM 只生成其他参数。确保非注入参数有清晰的类型注解。

性能：

注入整个存储可能增加开销，优先使用 field 指定字段。使用异步工具调用优化性能。

调试：

启用 debug=True 查看存储注入日志。使用 graph.get_graph().to_dot() 可视化状态图。

版本兼容性：

要求 langchain-core >= 0.3.8，请确认版本支持。检查 LangGraph 文档 获取最新信息。

---

7. 与其他注解的对比

注解	用途	是否暴露给 LLM	示例场景
InjectedStore	注入 LangGraph 存储对象	否	工具访问持久化数据
InjectedState	注入状态图状态	否	工具访问对话历史或用户上下文
InjectedToolArg	注入运行时参数（如特定值）	否	注入动态用户 ID 或会话令牌
RunnableConfig	注入运行时配置（如执行设置）	否	传递执行超时或元数据

InjectedStore 专注于持久化存储，适合需要长期记忆的工具，而 InjectedState 更适合当前状态。

---

8. 总结

langgraph.prebuilt.InjectedStore 是一个高效的类型注解，用于在 LangGraph 工具中注入存储对象。它通过隐藏存储参数，防止 LLM 生成敏感数据，同时允许工具访问持久化数据，实现安全、上下文相关的操作。支持注入整个存储或特定字段，与 ToolNode 无缝集成，适用于聊天机器人、自动化工作流等场景。通过自动注入机制，它简化了存储管理，提升了开发效率。

原文地址：https://blog.csdn.net/u013172930/article/details/148013385

---

欢迎光临 AI创想 (https://www.llms-ai.com/)

Powered by Discuz! X3.4